Содержание к диссертации
Введение
1 Теоретические основы и практический опыт обеспечения устойчивого функционирования промышленных предприятий 15
1.1 Обеспечение устойчивого функционирования промышленных предприятий как требование современной экономики 15
1.2 Теория и практика устойчивого функционирования промышленного предприятия: анализ, опыт, проблемы 19
1.3 Антикризисное управление: сущность, понятие, тенденции развития 33
2 Научно-методические рекомендации по формированию инструментария и оценки кризисных явлений на промышленных предприятиях 41
2.1 Идентификация кризисов в деятельности промышленных предприятий 41
2.2 Формирование системы показателей деятельности промышленного предприятия в процессе идентификации кризисных явлений. 46
2.3 Научно-методические рекомендации по построению балльно-рейтинговой модели определения устойчивости предприятия 50
3 Научно-методические рекомендации по определению вероятности потери устойчивости и применению инструментов антикризисного управления на промышленном предприятии 64
3.1 Формализация и реализация задачи определения вероятности потери устойчивости промышленных предприятий с использованием логистической регрессии 64
3.2 Основные этапы разработки инструментов антикризисного управления их методическое обеспечение 71
3.3 Реализация задачи определения степени устойчивости промышленных предприятий с использованием логистической регрессии и применение инструментов антикризисного управления (на материалах предприятий Республики Башкортостан) 77
Заключение 95
Список литературы 105
Приложения 120
- Обеспечение устойчивого функционирования промышленных предприятий как требование современной экономики
- Идентификация кризисов в деятельности промышленных предприятий
- Формализация и реализация задачи определения вероятности потери устойчивости промышленных предприятий с использованием логистической регрессии
- Реализация задачи определения степени устойчивости промышленных предприятий с использованием логистической регрессии и применение инструментов антикризисного управления (на материалах предприятий Республики Башкортостан)
Обеспечение устойчивого функционирования промышленных предприятий как требование современной экономики
На фоне глобальной экономической нестабильности, динамично изменяющейся среды бизнеса, перманентных финансовых кризисов проблема банкротства приобретает для структурообразующих и базовых предприятий российской промышленности особую значимость ввиду того, что последние имеют стратегические приоритеты в развитии экономики страны, обеспечивая устойчивое функционирование и стратегическую стабильность предприятий военно-промышленного и топливно-энергетического комплексов, автомобиле- и машиностроения и др. На сегодняшний день, по данным Росстата, убыточными можно назвать 35% от общего числа крупных и средних предприятий [95].
Тенденции развития промышленного производства тесно связаны с изменением рисковой ситуации, уменьшением воздействия внешних и внутренних факторов. При этом недооценка менеджментом промышленных предприятий влияния рисков, несвоевременная оценка уровня и характера их развития являются важными причинами неэффективного управления, что ставит предприятие под угрозу банкротства.
Таким образом, состояние внешней и внутренней среды отечественных предприятий, а именно: рост глобальной конкуренции, западные санкции, снижение объема инвестиций в российскую экономику; ужесточение экологических требований, высокий уровень износа основных производственных фондов, - создают реальную угрозу эффективному и надежному функционированию предприятий. Снижение неопределенности функционирования бизнеса невозможно без исследования особенностей и разработки системы страхования риска банкротства. С ноября 2015 г. происходит устойчивое падение объемов промышленного производства в среднем на 0,89 % ежемесячно. В мае 2016 г. промышленное производство снизилось на 0,75 %. По сравнению с двумя предыдущими промышленными рецессиями рыночного периода российской истории рецессия (2016–2018 гг.) отличается более медленными темпами спада [95].
На временном отрезке май 2016 г.– июнь 2017 г. в разных отраслях промышленности можно увидеть разнонаправленную динамику объемов производства. В то время как значительная часть добывающих отраслей демонстрировала рост (хотя и весьма умеренный), ряд отраслей обрабатывающей промышленности испытывал спад. Если сравнить показатели июня 2017 г. с показателями, достигнутыми в 2013–2015 гг., то во всех отраслях промышленности (кроме химической) наблюдается спад, масштабы которого в отдельных случаях приближаются к катастрофическим.
Индекс промышленного производства за пять месяцев упал на 3,1 %. Падение в мае оказалось еще более существенным, достигнув 6,4 %. Обрабатывающая промышленность демонстрирует худшие показатели из всех видов промышленного производства. Ее сокращение за 5 месяцев достигло 4,8 % [95].
Динамика снижения промышленного производства указывает на то, что признаков оживления в экономике нет, напротив, – спад ускоряется. Промышленность сокращается на фоне роста издержек (удорожание кредитов, комплектующих из-за девальвации), дефицита инвестиций (дорогие кредитные деньги), низкого платежеспособного спроса в результате резкого сокращения заработной платы. По ряду отраслей падение за период «январь – май 2017 г.» превышает 14 % [95].
По данным Росстата РФ, число действующих промышленных предприятий в обрабатывающем производстве в целом сократилось почти на 79 тыс. ед. – с 493,6 тыс. в 2005 г. до 414,6 тыс. в 2016 г. В легкой и пищевой промышленности сокращение составило 18 % (5568 ед.). Такие последствия сви 17
детельствуют о тенденции деиндустриализации и угрозах экономической неустойчивости промышленных предприятий.
Наряду с рассмотренными факторами также наблюдаются негативные тенденции динамики производственного потенциала в отраслях промышленности. К ним относятся: снижение загрузки производственных мощностей; износ основных фондов. Степень износа основного капитала на предприятиях промышленности составила более 48 % в 2017 г. Такая тенденция означает снижение качества основных фондов и потерю конкурентных позиций, что уменьшает устойчивость экономического развития.
В периоды экономических кризисов в России происходит сокращение количества промышленных предприятий и объемов производства. Эти изменения связаны с высоким износом оборудования и низкой степенью внедрения инноваций в производство, в связи с чем продукция предприятий является дорогостоящей и не способной конкурировать с зарубежными аналогами.
Согласно бюллетеню о текущих тенденциях российской экономики в 2018 году объем промышленного выпуска в обрабатывающей отрасли превысил показатель 2013 года на 7,1%. В добывающем секторе промышленный выпуск превысил показатель 2013 года на 7,0%, при этом в кризисный период 2015-2016 годов этот сектор не выходил из зоны положительных приростов. В сфере электроэнергетики и газоснабжения в 2017 году наблюдался рост промышленного выпуска относительно уровня 2013 года на 1,6%. В секторе водоснабжения и водоотведения 3 в 2014–2017 годах также сохранялась тенденция сокращения выпуска. Снижение индекса промышленного производства в нем составило 7,9% относительно уровня 2013 года. В объеме отгруженных товаров 2017 года доля добывающей отрасли составила 24,4% (26,8% в январе – мае 2018 г.), обрабатывающей – 65,0% (61,9%), обеспечения электрической энергией, газом и паром – 9,1% (9,8%), сектора водоснабжения и водоотведения – 1,6% (1,5%). В 2017 году в добывающем секторе рост составил 2,1% в годовом выражении, в обрабатывающем – 2,5%; в сфере обеспечения электрической энергией, газом и паром промышленный выпуск сократился на 0,4%; производство в коммунальном секторе – на 2,1%.
Несмотря на общее увеличение объемов промышленного производства за последние три года изменения в отраслевой структуре незначительные, наблюдаются колебания в пределах 1%.
Указанные обстоятельства определили возросший интерес к вопросам оценки риска банкротства со стороны ученых и менеджмента предприятий. Особенно актуальной на сегодняшний день является задача разработки и применения методически обоснованного инструментария антикризисного управления с целью обеспечения устойчивого функционирования промышленных предприятий, а также вывода их из кризисных ситуаций.
Ввиду тяжелых общеэкономических условий на современном этапе развития, вызванных последствиями негативного влияния мировых финансовых кризисов, значительная часть отечественных предприятий имеет серьезные проблемы, в том числе с платежеспособностью; ряд предприятий стоит на грани банкротства, а многие уже обанкротились. Очевидна необходимость модернизации производственных систем именно в тех областях экономики, где наблюдается спад и стагнации.
Ситуация крайне осложнена тем, что реформы, проводимые в настоящий период в российской экономике, происходят на фоне глобализации экономических процессов, интеграции национальной экономики в мировую хозяйственную систему, и требуют более взвешенного подхода в использовании мирового опыта антикризисных мероприятий на всех уровнях управления национальной экономикой.
Кризис, настигший хозяйствующие субъекты промышленного комплекса, обладает различными масштабами, глубиной и конфигурациями выражения в зависимости от сферы деятельности, ресурсного обеспечения, технологической оснащенности и других факторов. Потребительские и технико-экономические параметры не менялись в течение значительного периода времени.
Следовательно, разработка научно-методического обеспечения определения вероятности потери устойчивости предприятия в системе антикризисного управления российских промышленных предприятий является актуальной задачей современной экономической науки.
Идентификация кризисов в деятельности промышленных предприятий
В настоящее время существуют различные подходы к классификациям методов оценки степени устойчивости предприятия. Критерии классификации могут быть различными, их подразделяют на количественные и качественные, логит и рейтинговые модели. Систематизация методического обеспечения представлена в табл. 12. В современной практике финансово-хозяйственной деятельности зарубежных фирм для оценки вероятности банкротства наиболее широкое применение получили модели Альтмана Э. [1], Лиса Р. [11], Таффлера Р. [11].
Несмотря на то, что Альтман Э. в своей модели смог соединить такие базовые показатели, как прибыль, выручка от реализации продукции, собственный капитал, нераспределенная прибыль, чистый оборотный капитал и величина всех активов, – эта модель в российской практике не может использоваться без ограничений, поскольку российские предприятия не имеют в отчетности информации, необходимой для реализации модели.
Тем не менее, при корректном применении модели Альтмана Э. [1], предполагающем учет всех выше перечисленных особенностей, коэффициенты, составляющие индекс Альтмана, характеризуют финансовую устойчивость предприятия, и при неблагоприятном соотношении служат индикатором возможности банкротства. Следует отметить, что использование зарубежных моделей может быть ограничено тем, что они рассчитаны на основе данных отчетности зарубежных компаний.
При анализе деятельности предприятий модели могут быть использованы, но имеют свои недостатки, так как, во-первых, с момента их создания прошло значительное время, и модели, рассчитанные по статистическим данным 80-90-х гг., не могут адекватно описывать и прогнозировать современную ситуацию; во-вторых, не может быть универсальных моделей, которые бы идеально подходили для всех отраслей экономики, поскольку в силу особенностей отраслей значимость отдельных индикаторов существенно различается.
Одной из популярных в практике качественных моделей является модель А-счета Дж. Аргенти. При расчете А-счёта Дж. Аргенти конкретного предприятия каждому «фактору» необходимо присвоить либо определенное количество баллов, либо – «ноль» (отсутствие значения не допускается), и рассчитать агрегированный показатель – А-счёт.
Основным достоинством модели Дж. Аргенти является то, что в ней впервые была предпринята попытка упорядочивания и систематизации показателей, по которым предприятия охарактеризованы, в так называемых «списках обанкротившихся компаний» на Западе. Таким образом, исследователю, чтобы сделать выводы, остается только сравнить качественные признаки уже обанкротившихся компаний с аналогичными признаками исследуемой компании. У каждой из моделей, как у российских, так и зарубежных существуют преимущества и недостатки. В табл. 13 представлены восемь наиболее часто используемых моделей.
Можно сделать вывод, что точность прогнозных моделей будет отличаться на разных временных промежутках в связи с возникающими различиями в показателях, в значениях коэффициентов весового влияния и порогового значениях, учитываемых в моделях. Тестирование зарубежных моделей показало, что они неадекватно оценивают риски банкротства отечественных предприятий из-за различных подходов к отражению инфляционных факторов, разной структуры капитала и различий в законодательной базе.
Российские модели также различаются между собой и не дают адекватной оценки финансовому состоянию предприятия. Таким образом, проведенная сравнительная оценка подходов и методов прогнозирования возможного банкротства предприятия с помощью различных методик позволяет сделать вывод об отсутствии единого подхода к оценке вероятности банкротства.
Для получения достоверного результата при выборе модели для конкретного предприятия следует учитывать отраслевую принадлежность предприятия, его масштаб, сферу деятельности.
По нашему мнению, выбор определенной модели прогнозирования риска банкротства предприятия зависит от следующих факторов: отрасли и характера деятельности предприятия; организационной формы предприятия; величины оборота, прибыли, объема заемных средств предприятия; достоверности и доступности источников данных для анализа.
Кроме того, рекомендуется использовать несколько методик прогнозирования, фактически выполняя взаимопроверку точности полученных результатов. Важно отметить, что поскольку предлагаемое методическое обеспечение получены в результате применения статистических методов, возможно получение некоррелируюмых результатов при использовании различных методик.
Формализация и реализация задачи определения вероятности потери устойчивости промышленных предприятий с использованием логистической регрессии
Риск потери степени устойчивости тесно связан с такими понятиями как инвестиционная привлекательность и устойчивость развития, поскольку оказывает существенное влияние на добавленную стоимость, рыночную стоимость предприятия, эффективность развития предприятия. Данный вывод подтверждает значимость учета и страхования риска потери степени устойчивости и повышает актуальность исследования. Все это требует использования современных эконометрических инструментов и, прежде всего, аппарата логистической регрессии.
Модели, предлагаемые западными специалистами, при их использовании применительно к отечественным промышленным предприятиям, дают невысокую точность прогнозирования, поскольку не адаптированы к российским условиям. Модели, разработанные отечественными специалистами, не являются универсальными. Оценка, полученная при использовании данных моделей, не позволяет разработать управленческие мероприятия по улучшению сложившейся ситуации и уменьшению риска потери степени устойчивости.
Помимо этого, используемые в российской практике методы анализа и оценки предприятия не учитывают размер промышленных предприятий, сферу деятельности, тенденцию и характер изменения во времени, а также причины возрастания риска потери степени устойчивости.
Модель определения вероятности потери степени устойчивости предприятия показана в формуле логистической регрессии:
В таблице 18 представлен пример балльно-рейтинговой карты; в ней приведены показатели, которые рекомендуется включать в модель логистической регрессии. Выбор показателей индивидуален для каждого предприятия. В модель могут включаться как количественные, так и качественные показатели с присвоением им количественной оценки.
После проверки на нормальное распределение показателей выборки проводится корреляционный анализ, который требует реализации следующих этапов. Первый этап – определение корреляционной связи между анализируемыми показателями. После построения матрицы парных коэффициентов корреляции определяется наличие мультиколлинеарности; при ее наличии производится сокращение показателей. Один из двух сильно коррелирующих показателей исключается из множества, на основе которого создается модель для определения вероятности потери степени устойчивости предприятия. Выбор показателя для исключения обусловлен его сильной связью не только со вторым показателем, но и с другими. Это позволит сократить количество показателей без снижения информативности модели. Для составления группировки коэффициентов можно использовать шкалу Чеддока (табл. 20).
Общепринято считать, что если коэффициент корреляции меньше 0,3 связь между показателями слабая, а если больше 0,7, то сильная взаимосвязь двух показателей. Однако выбор оптимальной связи должен учитывать количество показателей в модели, выбор экспертов, масштабом предприятия. Возможно включение в модель показателей со связью не более 0,5;
Второй этап – выбираются коэффициенты, имеющие слабую связь. Именно они будут использованы для создания модели определения вероятности потери степени устойчивости предприятий.
На третьем этапе на основе выбранных показателей разрабатывается модель логистической регрессии определения вероятности потери степени устойчивости предприятия, где в качестве зависимой переменной будет коэффициент прогноза банкротства. Вышеизложенное предопределило необходимость и целесообразность разработки методического обеспечения оценки вероятности потери устойчивости, учитывающих особенности функционирования и развития предприятий.
Алгоритм поэтапной оценки вероятности потери устойчивости предприятий может быть представлен в следующем виде:
1) составление информационной базы данных по предприятию, определение взаимосвязи между коэффициентами, исключение зависимых;
2) определение текущего уровня устойчивости посредством реализации модели регрессии;
3) определение вероятности потери устойчивости промышленного предприятия с учетом логистической регрессии;
4) анализ результатов модели.
На первом этапе определяются качественные и количественные характеристики деятельности предприятия, а также определяются их фактические значения.
Далее выбираются коэффициенты, имеющие слабый коэффициент корреляции. С помощью эконометрического анализа создается модель множественной регрессии.
В процессе корреляционного анализа для первого предприятия нами были выбраны шесть показателей из различных групп, имеющих наименьшую корреляцию между собой. В табл. 21 представлена матрица парных коэффициентов корреляции данных показателей.
Качество моделей можно определить с помощью коэффициента детерминации: он должен составить более 80 %. Это говорит о высокой точности модели.
Для оценки характера развития проявления неустойчивости предприятия используется коэффициент вариации, определяющий способность рассматриваемого процесса возвратиться в состояние равновесия после воздействия внешних и/или внутренних факторов. Возможные варианты изменения степени устойчивости на предприятии в зависимости от предлагаемой шкалы значений коэффициента вариации представлены в табл. 24.
Анализ полученных моделей логистической регрессии определения вероятности потери устойчивости позволяет сделать вывод о включении в них наиболее значимых показателей, существенно влияющих на устойчивость предприятия.
Если предприятие находится в стабильном состоянии, о чем свидетельствуют данные оценки, внедрение системного антикризисного управления нецелесообразно, а решение локальных антикризисных задач возможно методами узкоспециализированных антикризисных мер.
Реализация задачи определения степени устойчивости промышленных предприятий с использованием логистической регрессии и применение инструментов антикризисного управления (на материалах предприятий Республики Башкортостан)
В процессе апробации разработанных инструментов использовались данные промышленных предприятий Республики Башкортостан.
В качестве примера для реализации задачи использованы материалы по двум предприятиям.
Предприятие № 1 находится в критическом положении. Поэтому для детального изучения вопроса о причинах сложившейся кризисной ситуации в качестве задачи оптимизации управленческих решений предлагается провести факторный анализ его экономического состояния (на основе технико-экономических показателей) и прогноз балансовой прибыли для дальнейшей выработки стратегии вывода предприятия из кризиса, исследовать, какие факторы наиболее сильно влияют на неудовлетворительную работу предприятия, и как эти факторы взаимосвязаны между собой. Прогноз балансовой прибыли от ряда факторов осуществим на основе многофакторной динамической модели. Логика анализа состояния предприятия требует взаимоувязанного рассмотрения показателей, однако это не исключает возможности и необходимости их обособления в процессе аналитических расчетов.
В процессе анализа основные факторы, влияющие на финансово-хозяйственную деятельность, должны не только вскрываться, но и оцениваться по степени (силе) их действия. Для этого применяются различные способы и приемы экономических и математических расчетов.
Традиционная постановка задачи факторного анализа в общем виде сводится к следующему.
Дана некоторая функция y=f(x), характеризующая изменение результативного показателя; х=(хь…,х,…,хп) - факторы, от которых зависит значение функции f(x). Известно, что значения факторов изменились на величину Axt = х1 - х0, вследствие чего значение результативного показателя возросло на величину: Ау = у1 -у0 (здесь хг0,/ - базисные значения І-го фактора и результативного показателя, соответственно; х1,у1- их фактические значения).
Требуется определить, какой частью численное приращение результативного показателя обязано приращению каждого фактора, то есть необходимо разложить прирост результативного показателя на составляющие:
Ау = Ау(Ах1 +... + Ау(Ах,) +... + Ау(Ахп),
где:Ау- общее изменение (прирост) результативного показателя, складывающееся под воздействием факторов; Ау(Ах,) - изменение результативного показателя под влиянием изменения одного і-го фактора.
В качестве исходных данных для анализа состояния предприятия № 1 были взяты квартальные технико-экономические показатели предприятия за 3 года. Динамика данных показателей изображена в приложении Г таблица ГЗ.
Рассматривается реальный процесс, который, с точки зрения экспертов, достаточно адекватно описывается десятью переменными в виде:
z = f (x1,х2, х3, х4, х5,х6,х7,х8,х9,х10), где z - зависимая переменная, балансовая прибыль предприятия;
x1- непрерывная независимая переменная, объем товарной продукции, тыс. руб.;
х2- непрерывная независимая переменная, объем товарной продукции, тыс. шт.;
х3- непрерывная независимая переменная, объем реализации, тыс. руб.
х4- непрерывная независимая переменная, себестоимость 1 тыс. шт., руб.;
х5- непрерывная независимая переменная, средняя оптовая цена 1 тыс. шт., руб.;
х6- непрерывная независимая переменная, рентабельность, %;
х7 - непрерывная независимая переменная, фонд оплаты труда, тыс. руб.;
х8 - непрерывная независимая переменная, среднесписочная численность, чел.;
х9 - непрерывная независимая переменная, выработка продукции, приходящейся на 1 работника, тыс. руб.;
х10 - непрерывная независимая переменная, среднемесячная заработная плата, руб.
Задачей исследования является составление прогноза балансовой прибыли на основе многофакторной динамической модели.
Для осуществления поставленной задачи воспользуемся модулями программного продукта STATISTICA Factor Analysis и Multiple Regression, при помощи которых осуществим прогноз.
При анализе использовались статистические данные за последние 4 года работы предприятия № 1 с поквартальной разбивкой, которые изображены в приложении Г (табл. Г2).
Далее для более подробного прогнозирования период n=t разбивается на s интервалов, s=4. При этом делается допущение о том, что за время, равное одному интервалу, коэффициенты регрессии постоянны или изменяются не существенно. Для каждого интервала вычислим уравнение регрессии: yk=fk(xk1...xkm)k = 1,S.
Поскольку для рассчитанных уравнений регрессии для каждого фактора имеется s коэффициентов регрессии, которые могут быть представлены в виде функции времени, то есть Ъг = (рг (t).
Предполагая, что полученные линии регрессии линейные, получаем следующие соотношения: 0=с0+ , \= df …
Зная зависимость Ьі от времени, рассчитаем значения коэффициентов регрессии в прогнозный T=t+1, где 1=1,т, то есть многофакторное прогнозирование сводится к экстраполяции коэффициентов регрессии.
Изучим каждый год отдельно и получим линии регрессии отдельно для каждого года при помощи пакета прикладных программ STATISTICA, которые отражены в таблице 27.
Полученные линии регрессии будем считать адекватными при условии, что коэффициент корреляции будет не менее 0,95, а уровень значимости составит не менее 0,1
Так как все полученные линии регрессии являются линейными, то можно получить уравнения коэффициентов регрессии в зависимости от времени, и провести прогнозирование на 2018-2021 годы коэффициентов регрессии, в соответствии с которыми получить прогнозное значение прибыли соответственно на данный период.
Для этого выведем зависимость коэффициентов регрессии от времени, применяя для этого MS Excel. В качестве метода прогнозирования полученных временных рядов используется метод авторегрессии, с помощью которого для каждого коэффициента регрессии выведем линии тренда при условии, что полученные тренды будут линейными, которые отражены в таблице 28.